جستجوی معماری عصبی فشرده برای طبقه بندی تصاویر با استفاده از الگوریتم جستجوی گرانشی

در این مقاله، یک روش جستجوی معماری عصبی فشرده برای طبقه بندی تصاویر با استفاده از الگوریتم جستجوی گرانشی (GSA) ارائه شده است. یادگیری عمیق با بهره گیری از مدل های محاسباتی چندلایه، امکان استخراج خودکار ویژگی ها را از داده های خام در سطوح انتزاعی مختلف فراهم می کند که نقش کلیدی در مسائل پیچیده ای مانند طبقه بندی تصاویر دارد. روش جستجوی معماری عصبی (NAS) که به طور خودکار به کشف معماری های جدید شبکه های عصبی کانولوشنی (CNN) می پردازد، با چالش هایی نظیر پیچیدگی محاسباتی و هزینه های بالا مواجه است. برای مقابله با این چالش ها، رویکردی بر پایه الگوریتم جستجوی گرانشی (GSA) توسعه داده شده است که بهینه سازی دوسطحی با طول متغیر را برای طراحی معماری های میکرو و ماکرو شبکه های عصبی کانولوشنی (CNN) به کار می گیرد. این رویکرد با استفاده از فضای جستجوی فشرده و گلوگاه های کانولوشنی اصلاح شده، عملکرد بهتری نسبت به روش های پیشرفته نشان می دهد. نتایج تجربی بر روی مجموعه داده های CIFAR-۱۰، CIFAR-۱۰۰ و ImageNet نشان می دهد که روش پیشنهادی با دقت طبقه بندی ۹۸.۴۸% و هزینه جستجوی ۱.۰۵ (روز (GPU از الگوریتم های موجود ازنظر دقت، هزینه جستجو و پیچیدگی معماری برتری دارد.

کلیدواژه ها:

الگوریتم جستجوی گرانشی ، جستجوی معماری عصبی ، شبکه های عصبی کانولوشنی ، یادگیری عمیق